اقتصاص الكائنات باستخدام Ultralytics YOLO11

ما هو اقتصاص الأجسام؟

يتضمن اقتصاص الكائنات باستخدام Ultralytics YOLO11 عزل واستخراج كائنات محددة تم اكتشافها من صورة أو مقطع فيديو. يتم استخدام إمكانات نموذج YOLO11 لتحديد الكائنات وتحديدها بدقة، مما يتيح اقتصاصًا دقيقًا لمزيد من التحليل أو المعالجة.

شاهد: اقتصاص الكائنات باستخدام Ultralytics YOLO

مزايا اقتصاص الكائنات

• تحليل مركز: يسهل YOLO11 الاقتصاص المستهدف للكائنات، مما يسمح بإجراء فحص أو معالجة متعمقة للعناصر الفردية داخل المشهد.
• حجم بيانات مخفض: من خلال استخراج الكائنات ذات الصلة فقط، يساعد اقتصاص الكائنات في تقليل حجم البيانات، مما يجعله فعالاً للتخزين أو الإرسال أو المهام الحسابية اللاحقة.
• دقة محسنة: تضمن دقة اكتشاف الكائنات في YOLO11 أن الكائنات التي تم اقتصاصها تحافظ على علاقاتها المكانية، مما يحافظ على سلامة المعلومات المرئية لتحليل مفصل.

مرئيات

أمتعة المطار
اقتصاص الحقائب على حزام ناقل في المطار باستخدام Ultralytics YOLO11

# Crop the objects
yolo solutions crop show=True

# Pass a source video
yolo solutions crop source="path/to/video.mp4"

# Crop specific classes
yolo solutions crop classes="[0, 2]"

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"

# Initialize object cropper object
cropper = solutions.ObjectCropper(
    show=True,  # display the output
    model="yolo11n.pt",  # model for object cropping i.e yolo11x.pt.
    classes=[0, 2],  # crop specific classes i.e. person and car with COCO pretrained model.
    # conf=0.5,  # adjust confidence threshold for the objects.
    # crop_dir="cropped-detections",  # set the directory name for cropped detections
)

# Process video
while cap.isOpened():
    success, im0 = cap.read()

    if not success:
        print("Video frame is empty or processing is complete.")
        break

    results = cropper(im0)

    # print(results)  # access the output

cap.release()
cv2.destroyAllWindows()  # destroy all opened windows

ObjectCropper الوسائط

إليك جدول مع ObjectCropper arguments:

علاوة على ذلك، تتوفر وسائط التصور التالية للاستخدام:

الأسئلة الشائعة

ما هو اقتصاص الأجسام في Ultralytics YOLO11 وكيف يعمل؟

يتضمن اقتصاص الكائنات باستخدام Ultralytics YOLO11 عزل واستخراج كائنات معينة من صورة أو مقطع فيديو بناءً على إمكانات الكشف الخاصة بـ YOLO11. تتيح هذه العملية إجراء تحليل مركز وتقليل حجم البيانات وتحسين الدقة من خلال الاستفادة من YOLO11 لتحديد الكائنات بدقة عالية واقتصاصها وفقًا لذلك. للحصول على برنامج تعليمي متعمق، راجع مثال اقتصاص الكائنات.

لماذا يجب عليّ استخدام Ultralytics YOLO11 لاقتصاص الأجسام مقارنة بالحلول الأخرى؟

يتميز Ultralytics YOLO11 بدقته وسرعته وسهولة استخدامه. فهو يتيح الكشف عن الأجسام واقتصاصها بدقة وتفصيل، وهو أمر ضروري للتحليل المركز والتطبيقات التي تحتاج إلى سلامة بيانات عالية. علاوة على ذلك، يتكامل YOLO11 بسلاسة مع أدوات مثل OpenVINO و TensorRT لعمليات النشر التي تتطلب إمكانات في الوقت الفعلي وتحسينًا على أجهزة متنوعة. استكشف المزايا في دليل تصدير النموذج.

كيف يمكنني تقليل حجم بيانات مجموعة البيانات الخاصة بي باستخدام قص الكائنات؟

باستخدام Ultralytics YOLO11 لاقتصاص الكائنات ذات الصلة فقط من الصور أو مقاطع الفيديو الخاصة بك، يمكنك تقليل حجم البيانات بشكل كبير، مما يجعلها أكثر كفاءة للتخزين والمعالجة. تتضمن هذه العملية تدريب النموذج على اكتشاف كائنات معينة ثم استخدام النتائج لاقتصاص هذه الأجزاء وحفظها فقط. لمزيد من المعلومات حول استغلال قدرات Ultralytics YOLO11، تفضل بزيارة دليل البدء السريع الخاص بنا.

هل يمكنني استخدام Ultralytics YOLO11 لتحليل الفيديو في الوقت الفعلي واقتصاص الكائنات؟

نعم، يمكن لـ Ultralytics YOLO11 معالجة موجزات الفيديو في الوقت الفعلي لاكتشاف الكائنات واقتصاصها ديناميكيًا. إن قدرات الاستدلال عالية السرعة للنموذج تجعله مثاليًا للتطبيقات في الوقت الفعلي مثل surveillance وتحليل الألعاب الرياضية وأنظمة الفحص الآلية. تحقق من tracking و prediction modes لفهم كيفية تنفيذ المعالجة في الوقت الفعلي.

ما هي متطلبات الأجهزة لتشغيل YOLO11 بكفاءة لاقتصاص الكائنات؟

تم تحسين Ultralytics YOLO11 لبيئات CPU و GPU على حد سواء، ولكن لتحقيق الأداء الأمثل، خاصةً للاستدلال في الوقت الفعلي أو بكميات كبيرة، يوصى باستخدام وحدة معالجة رسومات مخصصة (مثل NVIDIA Tesla، سلسلة RTX). للنشر على الأجهزة خفيفة الوزن، ضع في اعتبارك استخدام CoreML لنظام iOS أو TFLite لنظام Android. يمكن العثور على مزيد من التفاصيل حول الأجهزة والتنسيقات المدعومة في خيارات نشر النماذج الخاصة بنا.

📅 تم الإنشاء منذ سنة واحدة ✏️ تم التحديث منذ 4 أشهر

تعليقات